适应性分解和共享重量体积变压器块,用于高效的无补丁的3D医疗图像分割

科学领域:

• 医疗成像医学成像
• 计算机视觉 计算机视觉
• 人工智能的人工智能

背景情况:

• 高分辨率的3D医疗图像细分对于诊断至关重要,但在计算上具有挑战性.
• 现有的方法往往危及全球背景或需要复杂的培训.
• 补丁采样降低了计算成本,但降低了性能.

研究的目的:

• 开发一个具有成本效益和高性能的3D医疗图像细分框架.
• 克服基于补丁的和现有的无补丁方法的局限性.
• 为了提高细分精度,同时保持计算可行性.

主要方法:

• 引入了自适应分解 (A-Decomp),以减少特征空间大小和内存消耗.
• 开发了共享重量体积变压器块 (SW-VTB),以有效地捕获远程依赖.
• 提出了一个新的无补丁细分框架,VolumeFormer,结合A-Decomp和SW-VTB.

主要成果:

• 与现有的基于补丁和无补丁的方法相比,VolumeFormer在两个数据集上表现出更高的性能.
• 提出的方法实现了相对较快的推断速度.
• 该框架具有相对紧的设计,参数数量减少.

结论:

• VolumeFormer为高分辨率的3D医疗图像细分提供了一个有效的解决方案.
• 这种新的方法平衡了性能,计算成本和效率.
• 这种无补丁的框架推动了医学图像分析领域的发展.